目前，获取点集的矩形拟合结果的主要方法是计算其最小外包直立矩形或者旋转矩形。这些方法简单、易用，在数据质量良好的情况下能够较好的贴合矩形形状。然而，在数据缺失时，最小外包围盒方法将会出错。因此，有学者提出了L-Shape-Fit算法，用于拟合数据不完整的矩形——L形状）。但是，该作者在追求效率的同时，将矩形拟合离散成为一个搜索问题，使得其受限该搜索问题的步长约束。此外，L-Shape-Fit算法实质上还是一个外包围盒拟合算法。一旦矩形外圈出现大量噪声或者需要拟合点集的“内矩形”，那么，该方法仍然难以获得准确的结果。因此，提出一种无惧外围噪声的矩形（多边形）拟合方法。

1）摘要

目前，获取点集的矩形拟合结果的主要方法是计算其最小外包直立矩形或者旋转矩形（如下图所说i）。这些方法简单、易用，在数据质量良好的情况下能够较好的贴合矩形形状。

然而，在数据缺失时，最小外包围盒方法将会出错（如下图中左图所示）。因此，有学者提出了L-Shape-Fit算法，用于拟合数据不完整的矩形——L形状（如下图中右图所示）。

但是，该作者在追求效率的同时，将矩形拟合离散成为一个搜索问题，使得其受限该搜索问题的步长约束。此外，L-Shape-Fit算法实质上还是一个外包围盒拟合算法。一旦矩形外圈出现大量噪声或者需要拟合点集的“内